LEARNING

Lucas Learning — Corc Lukas tərəfindən 1996-cı ildə şagirdlər üçün qəliz, cəlbedici və əyləncəli təhsil proqram təminatı təqdim etmək məqsədilə "LucasArts"ın tərkibində təsis edilmiş şirkət. Onların bir çox mükafat qazanan buraxılışları ABŞ kurrikulumuna əsaslanırdı. Şirkətin qərargahı Kaliforniyanın San-Rafael şəhərində yerləşirdi və "MECC"in inkişaf üzrə keçmiş baş vitse-prezidenti və kreativ direktoru Suzan Şillinq rəhbərlik edirdi. Şillinq Corc Lukasın məhsullarla şəxsən məşğul olduğunu və şirkət mantrasının zorakılıqdan uzaq durmaq olduğunu iddia etmişdir. Studiya 1998-ci ildən oyunlar istehsal etmişdir. "Lucas Learning" 2001-ci ilin ortalarında bazarı tərk etmək qərarına gəlmişdir. == Qəbul == "The Boston Herald"da 1999-cu ildə yazılmışdır ki, şirkət "Lukasın kinematoqrafiya və proqram təminatı tərəfləri arasında unikal əməkdaşlıq səyi ilə proqram təminatının hazırlanmasında yeni standart yaradır".

Maşın öyrənməsi — verilənlər bazasından və ya sensorlardan giriş olaraq empirik verilənləri alıb, əldə edilən verilənlərin arxasında duran mexanizmin xüsusiyyətlərinə bənzər nümunələrə və ya proqnozlara gətirib çıxaran alqoritmləri dizayn edən və yaradan, süni intellektin bir sahəsidir. Tom Mitçellin tərifi: 'Əgər səmərəlilik T-dəki tapşırıqlarda P ölçüldüyü kimi E təcrübəsi ilə yaxşılaşırsa, onda kompüter proqramı E təcrübəsindən T tapşırıqlar sinifinə və P səmərəlik ölçüsünə görə öyrəndiyi deyilir.' Deduktiv öyrənmə ümumiyyətlə ekspert sistemləri adlandırılır, buna görə də maşın öyrənmə və istifadə öyrənmə terminləri sinonim sayıla bilər. Klassik statistik yanaşmalara alternativ olaraq bir çox induktiv öyrənmə metodu hazırlanmışdır. Bir çox metod, məlumatların çıxarılması (məlumatların alınması), məlumatların çıxarılması ilə sıx bağlıdır. == Əvvəlcədən öyrətmə probleminin ümumi ifadəsi == Bir çox obyekt (vəziyyət) və mümkün cavablar (cavablar, reaksiyalar) var. Cavablar və obyektlər arasında müəyyən əlaqə var, amma bilinmir. Yalnız son dərəcə əvvəlcədən bilinən bir dəstə məlumdur - təlim obyekti adlanan "obyekt, cavab" cütləri. Bu məlumatlara əsasən gizli asılılığı bərpa etmək, yəni mümkün olan hər bir giriş obyekti üçün kifayət qədər dəqiq təsnifat cavabı verə bilən bir alqoritm qurmaq tələb olunur. Bu asılılıq mütləq analitik şəkildə ifadə edilmir və burada neyron şəbəkələr empirik şəkildə yaradılan həll prinsipini tətbiq edirlər. Bu vəziyyətdə əhəmiyyətli bir xüsusiyyət, təlim sisteminin ümumiləşdirmə, yəni mövcud təlim nümunəsindən kənara çıxan məlumatlara adekvat cavab vermək bacarığıdır.

Dərin öyrənmə — təmsil öyrənmə yolu ilə süni neyron şəbəkələrə əsaslanan maşın öyrənmə metodlarının alt dəsti. "Dərin" sözü şəbəkədə çoxlu təbəqələrin istifadəsinə aiddir. İstifadə olunan üsullar nəzarətli, yarı nəzarətli və ya nəzarətsiz ola bilər. Dərin neyron şəbəkələr, dərin etimad şəbəkələri, təkrarlanan neyron şəbəkələr, konvolyusiya neyron şəbəkələr və transformatorlar kimi dərin öyrənmə arxitekturaları kompüter görüşü, nitqin tanınması, təbii dilin emalı, maşın tərcüməsi, bioinformatika, dərman hazırlanması, tibbi şəkil təhlili, klimatologiya, material analizi və stolüstü oyun proqramları kimi sahələrə tətbiq edilmişdir. Burada onlar insan ekspert performansı ilə müqayisə edilə bilən və bəzi hallarda onları üstələyən nəticələr əldə etmişlər. Süni neyron şəbəkələri (SNŞ) bioloji sistemlərdə informasiyanın emalı və paylanmış kommunikasiya qovşaqlarından ilhamlanaraq yaradılmışdır. SNŞ-lərin bioloji beyinlərdən müxtəlif fərqləri mövcuddur. Xüsusilə, süni neyron şəbəkələri statik və simvolik olur, əksər canlı orqanizmlərin bioloji beyni dinamik (plastik) və analoqdur. SNŞ ümumiyyətlə beyin funksiyası üçün aşağı keyfiyyətli modellər kimi qəbul edilir. == Tərifi == Dərin öyrənmə, xam daxiletmə məlumatlarından daha yüksək səviyyəli xüsusiyyətləri mərhələli olaraq çıxarmaq üçün çoxlu qatlardan istifadə edən maşın öyrənmə alqoritmləri sinfidir.:199–200 Məsələn, şəklin emalı zamanı aşağı təbəqələr kənarları, yüksək təbəqələr isə rəqəmlər, hərflər və ya üzlər kimi insana aid olan anlayışları müəyyən edə bilər.